面向移动端的象牙智能识别系统设计与实现

陈云霞 周用武 周婷媛 邹智元

基金项目：南京森林警察学院预研项目；项目编号：LGY201901。北京信息科技大学校科研基金项目；项目编号：2023XJJ19。

作者简介：陈云霞（1982— ），女，山西吉县人，博士，教授；研究方向：事野生动植物物证鉴定与保护。

摘要：大象是地球上珍贵的野生动物资源，非洲象、亚洲象均已被列入《濒危野生动植物种国际贸易公约》（CITES）目录，国家野生动植物保护部门严格禁止现生象牙及其制品的市场贸易，这对保护野生动植物的特种多样性具有十分重要的意义。但是，在禁止象牙及其制品贸易监管执法过程中，特别是在一线执法现场，如何快速、有效地对类象牙制品进行鉴定与识别，是目前亟待解决的问题。文章设计的面向移动端的象牙智能识别系统立足于计算机模式识别理论，采用图像增强与纹理解析方法，建立基于深度学习的象牙识别算法模型，解决象牙图像纹理识别问题，能够提高一线执法人员的工作效率，为象牙相关违法犯罪的打击提供技术支持。

关键词：计算机科学；模式识别；象牙识别；象牙识别系统

中图分类号： TP391.4  文献标志码： A

0  引言

象牙智能识别系统是面向国家野生动植物保护执法监管，为满足现场快速、准确鉴定识别象牙及制品而设计的移动端系统。该系统针对从事象牙禁贸的执法人员以及象牙鉴定的检测人员，能够实现对象牙及制品的鉴定和识别，为检测人员提供快捷识别、稳定高效的象牙鉴定服务。象牙智能识别系统的客户端运行在移动设备上，依托象牙高清图像自动采集技术，可通过移动端设备直接拍摄并上传象牙纹理图像，结合象牙图像纹理检测技术和深度学习模型，为象牙及其制品的鉴定和识别建立快捷、稳定的可视化系统。

目前，象牙制品的原材料主要分为现生象牙、猛犸象牙，由于很多动物骨制品，甚至某些植物制品、工业合成制品都与象牙相似，市场上也存在大量的象牙仿制品［1-2］。因此，海关工作人员在出入境检查时，如发现疑似现生象牙或猛犸象牙的象牙样品时，就需要一种快速检测象牙的方法对象牙进行鉴定。

目前象牙样品的鉴定方法大概可分为3类［2-3］，主要包括基于形态结构、基于物理特征、基于分子生物学［4-7］。3种方法中，基于物理特征和基于分子生物学的方法通常需要对象牙制品进行少量采样，并对象牙制品造成不可逆的损伤。虽然基于形态结构的方法通过直接观察象牙制品表面的施氏角来鉴定，可以避免象牙制品的损伤，但是这类方法的准确性却受到鉴定人员经验和不同观察方法的影响，导致象牙识别的时间耗费长。同时，对象牙的判定主要依赖于鉴定人员的技术经验，其鉴定结果必与鉴定人员的技术水平相符，这将直接影响鉴定结果的准确度。而基于分子生物学的方法通常通过 DNA分析来鉴定象牙制品，但是DNA检测不但耗费时间长，而且该方法是有损鉴定，会对象牙或其制品造成一定程度的损坏。因此，建立一个快捷高效的智能化鉴定识别系统是很有必要的，象牙智能识别系统App应运而生。象牙智能识别系统App在移动终端拍照或在相册选择图片，上传至云端存储服务器，服务器端处理象牙高清图片，依赖纹理检测技术深度神经网络的象牙图像识别算法，快捷鉴定识别样品结果（见图1）。

1  系统设计

象牙智能识别系统由移动客户端与服务器端组成，其中，移动客户端主要完成象牙纹理图像拍摄、数据处理与识别结果展示，服务器端负责提供象牙识别模型接口以及支撑客户端运行的必要数据接口。以下主要从系统功能架构、系统模块设计、识别模型设  计等方面进行介绍。

1.1  象牙识别系统功能架构

为更广泛地提供鉴定识别服务，象牙智能识别系统App是一套基于Android系统环境的软件。系统总体架构要满足“高内聚-低耦合”的设计思路，采用MVP（Model-View-Presenter）架构设计模式，其中，Model负责数据处理部分，View负责UI界面展示及用户操作交互，而Presenter则负责大部分运行逻辑的编写。基于MVP的架构模式，象牙智能识别系统App主要包含了注册登录、鉴定识别、鉴定列表、发布鉴定、专家鉴定、设置、关于我们、版本更新等功能，如图2所示。

1.2  象牙识别系统模块设计

象牙智能识别系统共由5个模块组成，包括网络通信模块、数据存储模块、组件通信模块、图像处理模块、数据解析模块，各模块具体功能如下。

1.2.1  网络通信模块

网络通信模块采取Retrofit与OKHttp3相结合的方法。其中Retrofit是由Square公司开发的面向Android的一种Java类型安全的REST客户端类库，它能够配合OKHttp完成网络请求封装，可能处理各类型的HTTP请求并具有安全、高效特性，系统集成简便且运行稳定。

1.2.2  数据存储模块

在用户登录后要本地化存储用户信息，包含账号、手机号等必要信息，使用由Android平台提供的轻量级数据存储类SharedPreferences。SharedPreferences类下所有的文件和内存读写的操作，都通过锁对象进行加锁，保证了多线程同步。

1.2.3  组件通信模块

组件间通信使用EventBus，代替Android传统的Intent、Handler、Broadcast或接口函数，在Fragment、Activity、Service線程之间传递数据。EventBus降低了应用程序内各个组件之间进行通信的复杂度，尤其是碎片之间进行通信的问题，可以避免由于使用广播通信而带来的诸多不便，同时分离了事件的发送者和接收者，避免了复杂的和易错的依赖关系和生命周期问题，并且代码更简洁，性能更好，更快，依赖包更小（约50 k的jar包）。

1.2.4  图像处理模块

图像处理采用Glide图片加载库。Glide是一个快速高效的Android图片加载库，注重于平滑的滚动。Glide提供了易用的API，高性能、可扩展的图片解码管道（Decode Pipeline）以及自动的资源池技术，支持Gif，支持资源缓存。

1.2.5  数据解析模块

移动应用端和服务器端的数据通信采用JSON格式，针对JSON数据采用Google Gson库进行解析。Gson作为Java对象和与JSON数据之间进行映射和转换的Java类库，具有快速高效、轻量实现、面向对象的特点。

1.3  象牙识别模型设计

象牙识别模型技术路线如图3所示。首先，研究并建立象牙高清图像自动采集技术，并定义象牙图像标规则，进而对象牙标本进行图像采集与数据标注，建立象牙高清图像数据集。然后，一方面，研究并提出基于架构自搜索深度网络的象牙图像识别算法，以象牙高清图像数据集为训练样本，分别对象牙真假鉴定模型和象牙分类模型进行训练，从而提到两阶段的象牙识别模型；另一方面，研究并提出面向真实象牙的图像描绘与纹理量化解析算法，通过施氏结构检测与提取算法得到象牙图像中的施氏角与施氏线，并进一步得到量化的角度值。此外，针对图像中的球面施氏角采用基于图像畸变校正的算法进行校正处理，从而提高角度值的准确性。

2  象牙识别系统实现

象牙智能识别系统可以实现快捷方便的鉴定识别功能，移动客户端主要包含用户登录、鉴定识别、鉴定结果展示、专家鉴定等功能；服务器端主要部署象牙识别模型，并提供相应功能服务数据接口。

2.1  用戶注册

用户打开象牙识别系统移动客户端，可以通过立即注册进入用户注册页面。在该页面，用户输入手机号、验证码、密码，阅读并同意服务条款后，并点击“立即注册”按钮，可以完成象牙智能识别系统账号注册，如图4所示。

在用户注册账号时，要确保当前手机号能正常获取验证码，并且未注册过该系统账号，注册时要详细阅读象牙智能识别系统的服务条款。

2.2  用户登录

用户完成账号注册后进入移动客户端登录页面，输入已经注册的手机号、密码，阅读并同意服务条款后，即可登录象牙智能识别系统。

2.3  象牙识别

用户成功登录象牙识别系统移动客户端后，可以通过上传图片的方式请求服务器端鉴定识别服务，如图5所示。

服务器端通过象牙纹理检测技术得到象牙纹理区域，进而通过深度神经网络算法进行象牙纹理图像识别，从而得出象牙识别结果，识别耗时在1 s以内。识别结构以JSON格式数据返回，将上传的图片、鉴定结果、置信度显示到结果页面上。

2.4  发布鉴定/专家鉴定

象牙智能识别系统用户可以在移动客户端发布需要鉴定识别的象牙及其制品照片到服务器端，认证的专家可以在移动端鉴定社区内发表鉴定结果，普通用户可以与专家交流鉴定识别技术。

2.5  服务器端部署

象牙识别系统服务器端部署在云服务器中，同时集成象牙识别算法程序，由算法程序加载象牙识别模型。移动端上传待鉴定的象牙纹理图像至服务器端后，由服务器端进行数据存储，并调用象牙识别算法程序进行图像识别，最后将鉴定识别结果返回到请求的移动端。

3  象牙识别测试

为验证象牙智能识别系统的有效性，本研究工作使用象牙识别算法模型的非训练数据，对系统的识别准确性进行测试。

3.1  象牙识别测试数据

本研究进行额外的象牙图像数据采集，进而从原始采集图像数据中分别筛选出167张现生象牙和157张猛犸象牙图像进行数据预处理，从而建立象牙识别测试数据。其中原始采集的图像中象牙区域的分辨率约为2 000×2 000。

数据预处理。首先，调整原始图像方向并截取图像中间区域，进一步截取分辨率为512×512的图像；然后，对所有分辨率为512×512的图像进筛选，保留含有清晰纹理的图像，剔除含有高光、阴影以及非样本的图像；最后，进行二次筛选，使两类图像的样本数量差距小于10%，得到测试数据集。其中，现生象牙纹理图像322张，猛犸象牙图像331张。

3.2  象牙识别测试结果

基于象牙识别测试数据集，依次将每张测试图像通过移动客户端输入系统，对象牙智能识别系统进行测试，测试结果如表1所示。其中，针对322张现生象牙纹理图像，系统能够正确判别298张，识别准确率为92.55%；针对331张猛犸象牙纹理图像，系统能够正确判别301张，识别准确率为90.94%。根据象牙识别的测试结果，象牙智能识别系统针对现生象牙和猛犸象牙的平均识别准确率达到91.73%。测试结果表明，象牙智能识别系统针对额外采集的真实象牙图像数据能够有效识别。

4  结语

象牙智能识别系统能够方便快捷、稳定高效地实

现象牙及其制品的类别鉴定。基于深度学习的象牙识别算法模型采用客户端-服务器端架构进行部署和调用，极大地减轻了客户端的计算负载。此外，算法模型可以部署在云服务器中，方便系统升级迭代，计算能力强且运行成本较低。随着象牙纹理数据的不断积累，象牙识别深度学习模型也能够进行再训练和调优，其鉴定识别结果的准确性也会逐渐提高。目前，象牙智能识别系统的功能以象牙鉴定识别为主，随着移动客户端的用户增多，系统也将继续完善功能，来满足更多用户需求。

参考文献

［1］中华人民共和国海关总署.象牙及其制品鉴定技术规范：SN/T 5275-2019［EB/OL］.（2019-12-27）［2023-07-20］.https：//www.doc88.com/p-7456184 1888351.html.

［2］胡红.象牙及其制品鉴定技术标准的研究［D］.哈尔滨：东北林业大学，2010.

［3］郭书林.象牙及其制品鉴定方法适用性解析［J］.2019（12）：82-84.

［4］ANDREAS S，BERNHARD D，DAVID G，et al.Development and application of a method for ivory dating by analyzing radioisotopes to distinguish legal from illegal ivory［J］.Forensic Science International，2018（289）：363-367.

［5］GIANLUCA，MARISA D E，EUGENIA B，et al.Radiocarbon dating of ivory：Potentialities and limitations in forensics［J］.Forensic Science International，2019（299）：114-118.

［6］BUDDHACHAT K，BROWN J L，THITARAM C，et al.Distinguishing real from fake ivory products by elemental analyses：a Bayesian hybrid classification method［J］.Forensic Science International，2017（272）：142-149.

［7］SCHMIED S A K，BRUNNERMEIER M J，SCHUPFNER R，et al.Age assessment of ivory by analysis of 14C and 90Sr to determine whether there is an antique on hand［J］.Forensic Science International，2011（207）：1-4.

（編辑  王雪芬编辑）

Design and implementation of ivory intelligent identification system for mobile terminal

Chen  Yunxia1， Zhou  Yongwu1， Zhou  Tingyuan2， Zou  Zhiyuan3

（1.Nanjing Police University， Nanjing 210023， China;

2.The 15th Institute of China Electronics Technology Group Corporation， Beijing 100080， China;

3.Computer School， Beijing Information Science and Technology University， Beijing 100101， China）

Abstract：  Elephants are precious wildlife resources on the earth. African elephants and Asian elephant have been listed into the convention on international trade in endangered species of wild fauna and fora （CITES） catalogue. This is important for the conservation of the special diversity of wildlife. But in the process of supervision and enforcement， how to recognition ivory and its products quickly and effectively is an urgent problem to be solved at present. The pattern recognition-based ivory intelligent recognition system and app adopt image enhancement and texture analysis methods， and build deep ivory recognition model based on deep learning to solve texture recognition of ivory image. This can improve the efficiency of law enforcement personnel and ensure the accuracy of detection and identification of ivory and its products.

Key words： computer science; pattern recognition; ivory recognition; ivory recognition system